RecherchearXiv cs.RO 18 septembre 2026

OmniCalib : auto-étalonnage sans cible, structuré par tâches, pour robots humanoïdes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un preprint arXiv (2609.19582, mi-septembre 2026) présente OmniCalib, une méthode de calibration sans cible pour robots humanoïdes qui recalibre en un seul workflow les 14 zéros articulaires des deux bras, les extrinsèques des caméras des poignets et du thorax, les jambes et le rig multi-caméra de la tête, à partir des seuls mouvements natifs du robot et de ses capteurs embarqués. Une approche ICP sur nuage de points de profondeur récupère ces 14 zéros et corrige les caméras RGB-D, avec des écarts par rapport au modèle CAD de 10,56 mm et 1,74° au poignet gauche, 6,33 mm et 1,25° au poignet droit, et 9,81 mm et 0,929° pour la caméra du thorax. Sur un humanoïde AGIBOT A3 Ultra, quatre postures statiques suffisent à corriger les 12 décalages articulaires des jambes avec une erreur de 0,063°, et le module de tête, combinant odométrie visuelle multi-caméra et odométrie de marche, atteint une erreur moyenne de 1,061° en marche plane, contre 0,902° pour la méthode de référence iKalibr, qui nécessite une excitation à six degrés de liberté bien plus riche.

Pour les intégrateurs industriels, l'enjeu est la dérive continue de calibration en exploitation: assemblage, usure et remplacement de pièces désalignent en permanence capteurs et zéros articulaires fixés par le CAD, ce qui dégradé la précision de manipulation au fil du temps. Les méthodes existantes ne couvrent généralement qu'une paire de capteurs à la fois ou exigent des mires externes de type ArUco, ce qui alourdit la maintenance d'une flotte d'humanoïdes en usine. En approchant la précision d'ArUco tout en restant compétitif avec iKalibr sans cible ni excitation dédiée, OmniCalib pointe vers une auto-calibration purement embarquée susceptible de réduire les temps d'arrêt et le besoin de personnel spécialisé, un frein connu à l'industrialisation des humanoïdes, même si la validation reste limitée à une seule plateforme et publiée sous forme de simple preprint non encore relu par les pairs.

Ce travail s'inscrit dans la multiplication des pilotes industriels menés par des acteurs comme Figure AI (Figure 03), Tesla (Optimus), Unitree ou AGIBOT (Zhiyuan Robotics), constructeur chinois de l'A3 Ultra utilisé pour les tests, en forte expansion depuis 2024-2025 aux côtés d'UBTech. La recalibration récurrente reste un point faible connu des humanoïdes face aux bras robotiques industriels fixes, réglés une fois en usine puis rarement retouchés. Les auteurs présentent leur méthode comme complémentaire aux approches par cible plutôt que substitutive, puisque ICP et ArUco affichent des performances comparables sur les zéros articulaires des bras. Aucun partenariat industriel, calendrier de transfert produit ni déploiement en flotte n'est annoncé à ce stade: il s'agit pour l'instant d'une contribution méthodologique académique.

Dans nos dossiers

Figure Unitree AgiBot UBTech

À lire aussi

1arXiv cs.RO

IA incarnée : perception et action pour l'exécution de tâches par un robot humanoïde en construction

Des chercheurs publient sur arXiv (référence 2608.01600v1, soumis début août 2026) un système de perception et d'action destiné aux robots humanoïdes pour l'exécution de tâches de construction. L'architecture combine deux réseaux de neurones profonds : Humanoid-PoseNet, qui capture les postures d'un ouvrier lors d'une démonstration et les traduit en poses mécaniquement réalisables pour un robot humanoïde, puis Humanoid-ActionNet, qui apprend à partir de ces poses traduites les actions que le robot peut réellement exécuter. Testé sur huit tâches liées au chantier, le système atteint une erreur moyenne de suivi de mouvement de 82,45 mm en MPJPE (Mean Per Joint Position Error, l'écart moyen par articulation entre le geste de référence et celui reproduit par le robot). L'abstract ne cite aucun modèle de robot précis, aucun site de déploiement ni partenaire industriel : il s'agit d'un travail de recherche méthodologique et non d'un produit commercialisé. L'enjeu porte sur un goulot d'étranglement bien identifié de l'apprentissage par démonstration chez les humanoïdes : la différence de morphologie et de degrés de liberté (DOF) entre un corps humain et un robot rend la traduction directe des mouvements captés souvent instable ou irréalisable mécaniquement. En séparant explicitement l'étape de retargeting des poses (PoseNet) de l'apprentissage de l'action (ActionNet), l'étude propose une réponse ciblée à ce problème, potentiellement transposable à d'autres tâches physiques répétitives et dangereuses en environnement non structuré, un terrain bien plus exigeant pour un humanoïde que l'entrepôt logistique. Le chiffre de 82,45 mm reste toutefois difficile à juger sans point de comparaison ni contexte sur la difficulté relative des huit tâches testées. Le secteur de la construction, confronté à une pénurie de main-d'œuvre et à des tâches physiquement éprouvantes, est régulièrement cité comme débouché naturel pour les humanoïdes, aux côtés des usines et entrepôts déjà ciblés par Figure, Agility Robotics ou Unitree. Ce travail se positionne en amont de tout déploiement commercial : les auteurs le présentent eux-mêmes comme une « étape précoce » vers des collaborateurs humanoïdes de chantier, sans calendrier de pilotes ni annonce industrielle à ce stade.

RecherchePaper

1 source

2arXiv cs.RO

Modélisation visuelle des tâches et planification automatisée pour robots humanoïdes dans l'éducation de personnes autistes

Des chercheurs publient sur arXiv (2610.27162v1) une méthode permettant à un robot semi-autonome équipé d'une caméra de comprendre l'objectif d'une tâche et de planifier les actions pour l'atteindre, dans un cadre d'éducation assistée par robot. Le travail porte sur les « Shoebox Tasks », des activités de tri et d'assemblage couramment utilisées auprès de personnes autistes (TSA), conçues pour que le but se déduise directement de leur structure visuelle. L'équipe a développé un solveur qui s'appuie sur un grand modèle de langage doté de vision pour convertir des photos de la tâche en représentation PDDL (Planning Domain Definition Language, le langage standard de planification automatique), puis générer un plan d'actions. Une interface robotique permet à un robot Nao, le petit humanoïde éducatif de SoftBank/Aldebaran, d'exécuter seul diverses Shoebox Tasks et d'assister l'élève en suggérant la prochaine étape ou en signalant une erreur, par démonstration d'actions, commandes vocales ou gestes. Le solveur n'utilise que des images capturées en entrée. Aucun chiffre de performance, taux de réussite ou modèle de vision-langage précis n'apparaît dans le résumé. L'intérêt tient à l'architecture : le LLM ne pilote pas directement le robot, il traduit la scène en un problème formel que résout un planificateur symbolique. Ce découpage limite les actions incohérentes que produisent souvent les modèles de bout en bout, et rend le plan vérifiable, ce qui compte dans un contexte éducatif où une erreur peut déstabiliser un élève. L'absence de programmation requise côté enseignant s'attaque à un frein réel du secteur : les robots sociaux ont longtemps exigé des scénarios écrits à la main. Avec une interface adaptée, le solveur peut en outre être porté sur d'autres robots éducatifs, ce qui réduit la dépendance à une plateforme. Il faut toutefois rester prudent : il s'agit d'un preprint non évalué par les pairs, sans données chiffrées dans le résumé, et rien n'indique encore une validation avec des élèves, un déploiement en classe ou un gain d'apprentissage mesuré. Le contexte est celui d'un champ de recherche établi, où les travaux en éducation spécialisée suggèrent que les élèves avec TSA tirent un bénéfice notable de l'enseignement assisté par robot, le Nao étant depuis des années la plateforme de référence de ces études. Ce travail s'écarte de la tendance dominante en robotique, celle des modèles vision-langage-action de bout en bout comme Pi-0 ou GR00T, en privilégiant la planification symbolique, plus lisible. Les suites logiques sont des essais en situation réelle avec des enseignants et des élèves, des mesures de fiabilité de la conversion image vers PDDL, et le portage vers d'autres robots, y compris des humanoïdes plus récents. Les auteurs affichent aussi l'objectif de susciter l'intérêt des personnes autistes pour la robotique.

RecherchePaper

1 source

3arXiv cs.RO

CoEvolve : des politiques de code auto-évolutives, des compétences aux stratégies, pour robots humanoïdes

Des chercheurs publient sur arXiv (2610.23288) CoEvolve, un cadre logiciel qui représente la coordination d'une équipe de robots sous forme de code exécutable posé sur des compétences motrices fixes. Un modèle de fondation multimodal instancie les stratégies de coordination à partir de primitives de mouvement, d'objectifs sémantiques, de rôles temporaires attribués à chaque robot et de paramètres d'exécution bornés. Chaque transition exécutée est évaluée par une vérification physique. Un comportement rejeté déclenche une révision structurée de la coordination à partir du dernier point de contrôle accepté, et l'expérience validée est conservée pour guider les décisions suivantes. Le test porte sur deux humanoïdes Unitree G1 simulés, chargés de transporter ensemble une charge rigide librement supportée dans des couloirs contraints. Sur 15 exécutions de base avec trois familles de modèles multimodaux, CoEvolve achève 8 tâches, et chaque famille obtient au moins une réussite de bout en bout. Des essais complémentaires valident le placement de la charge sur deux autres configurations de couloir, ainsi qu'après initialisation avec l'expérience d'un même modèle ou d'un modèle différent. L'intérêt tient au point d'application. Les modèles VLA (vision-langage-action) et les World Action Models élargissent les capacités d'un robot isolé, mais les cadres multi-robots existants se concentrent sur la décomposition, l'allocation et la replanification des tâches. Ils aident peu quand l'exécution physique s'écarte du comportement prévu. CoEvolve propose d'adapter la coordination elle-même, en traitant le code comme interface entre le raisonnement du modèle et des compétences de bas niveau figées. Pour un intégrateur, l'idée est séduisante, car elle laisse la couche motrice éprouvée intacte et rend la logique d'équipe lisible et auditable. Les chiffres appellent toutefois à la prudence. Un taux de 8 réussites sur 15 reste modeste, tout se passe en simulation, avec deux robots et un seul type de scénario. Les auteurs reconnaissent des limites persistantes de précision du mouvement et de stabilité des contacts, ce qui signale que l'écart entre simulation et monde réel n'est pas abordé ici. Le travail s'inscrit dans la montée des approches où les modèles de fondation génèrent du code de politique, après les cadres de planification par langage naturel et les VLA généralistes. La collaboration entre plusieurs humanoïdes, par exemple pour porter un objet encombrant, est un cas d'usage logistique et industriel récurrent que peu d'acteurs ont démontré sur matériel réel. Unitree, dont le G1 sert de plateforme de référence académique grâce à son prix relativement bas, en fournit ici la base. Les suites logiques seraient un transfert sur robots physiques, davantage d'agents, des charges et environnements plus variés, et une comparaison directe avec les méthodes de coordination fondées sur des VLA entraînés de bout en bout. Aucun calendrier ni partenaire industriel n'est annoncé, et il s'agit d'une prépublication non évaluée par les pairs.

RecherchePaper

1 source

4arXiv cs.RO

Structure des tâches et passage à l'échelle dans la création multi-robots

Une étude de simulation publiée sur arXiv (2610.22670) examine comment la structure d'une tâche de dessin conditionne le gain de temps obtenu en répartissant le travail entre plusieurs robots. Les auteurs représentent chaque dessin sous forme de graphe de traits géométriques, puis comparent deux chaînes d'allocation et de routage. La première attribue un composant connexe entier à un seul robot (allocation à jeton unique). La seconde décompose les composants et autorise plusieurs robots à y travailler simultanément (jeton partagé). Les essais portent sur 385 dessins et des équipes de un à huit robots. Chaque pipeline est normalisé par son propre temps d'exécution avec un seul robot. Avec le jeton unique, le gain de vitesse diminue à mesure que l'équipe grandit. Avec le jeton partagé, l'accélération moyenne est plus forte et la part de temps d'inactivité est plus faible pour les grandes équipes. Cette approche ne réduit toutefois pas le temps d'exécution pour tous les dessins. L'enseignement pratique est que le nombre de composants connexes ne suffit pas à prédire le passage à l'échelle. La charge de travail à l'intérieur de chaque composant et la topologie du graphe pèsent aussi. Un dessin composé de quelques gros composants sature vite une allocation à jeton unique, alors qu'un découpage plus fin laisse les robots supplémentaires utiles. Les écarts entre groupes d'attributs structurels se creusent aux tailles d'équipe élevées, ce qui suggère que l'on peut estimer l'intérêt d'ajouter des robots avant le déploiement, à partir de descripteurs du dessin. Pour un intégrateur, cela rappelle que le dimensionnement d'une flotte dépend autant de la décomposition de la tâche que du nombre de machines. Il faut aussi lire ces résultats avec prudence. Ils sont purement simulés, sans contraintes de collision, de communication ni d'imprécision mécanique réelles. Les auteurs eux-mêmes parlent de scaling empirique propre aux pipelines évalués, non de loi générale. La normalisation par pipeline empêche en outre de comparer directement les temps absolus des deux méthodes. Ce travail s'inscrit dans la recherche sur l'allocation de tâches multi-robots et la planification de trajectoires pour la création artistique ou graphique robotisée. Le problème proche de la couverture de chemins et du routage d'outils se retrouve en peinture, en marquage au sol ou en fabrication additive. Les auteurs proposent des documents complémentaires sur un site dédié, mais aucune validation sur matériel n'est annoncée. Les suites logiques seraient des essais avec de vrais robots, la prise en compte des conflits d'espace de travail et des critères d'allocation capables de choisir automatiquement entre jeton unique et jeton partagé selon la structure du dessin.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source